13. Técnicas de simulación mediante el método de Montecarlo
|
|
- Vicente Maestre Pereyra
- hace 8 años
- Vistas:
Transcripción
1 13. Técnicas de simulación mediante el método de Montecarlo Qué es la simulación? Proceso de simulación Simulación de eventos discretos Números aleatorios Qué es la simulación? Simulación = técnica que imita el comportamiento de un sistema del mundo real cuando evoluciona en el tiempo. Modelo de simulación = conjunto de hipótesis acerca del funcionamiento del sistema expresado como relaciones matemáticas y/o lógicas entre los elementos del sistema. Proceso de simulación: ejecución del modelo a través del tiempo en un ordenador para generar muestras representativas del comportamiento del sistema. Es una técnica para estimar la bondad de un modelo. NO ES UNA TÉCNICA DE OPTIMIZACIÓN.
2 Qué es la simulación? Un sistema es una colección de elementos que actúan e interactúan para lograr algún fin lógico. El estado de un sistema es el conjunto de variables necesarias para describir el estado del sistema en un momento dado. La simulación suele basarse en un muestreo aleatorio: su salida está sujeta a variaciones aleatorias y debe ser examinada utilizando pruebas de inferencia estadística. Tipos de simulación Un modelo de simulación estática (simulación de Monte Carlo) es una representación de un sistema en un instante de tiempo determinado. Una simulación dinámica es una representación de un sistema cuando evoluciona con el tiempo. Un modelo de simulación determinista no contiene variables aleatorias. Un modelo de simulación estocástica contiene una o más variables aleatorias.
3 Tipos de simulación Modelos continuos: su comportamiento cambia continuamente con el tiempo. Se suelen representar mediante ecuaciones diferenciales que describen las interacciones entre los elementos del sistema Modelos discretos: su comportamiento cambia solo en instantes concretos de tiempo: eventos. Proceso de simulación Enunciado explícito de los objetivos que se persiguen: preguntas que se han de contestar, hipótesis que se quiere probar, posibilidades a considerar. Creación del modelo y reunión de datos Diseñar un programa de ordenador para el modelo Verificar el programa Validar el modelo Utilizar el modelo para experimentar y contestar a las preguntas iniciales. Reunir, procesar y analizar los datos generados como soluciones del modelo y en términos de validez y confiabilidad estadística.
4 Elementos claves del modelo de simulación Estado del sistema Estados posibles Eventos posibles Reloj de simulación Método para generar eventos de forma aleatoria Fórmula para actualizar el estado del sistema una vez generado un nuevo evento Elementos de una simulación Salidas: objetivos del estudio expresadas mediante valores numéricos. Entradas: valores numéricos que permiten iniciar la simulación y obtener las salidas: Condiciones iniciales: valores que expresan el estado del sistema al principio de la simulación Datos determinísticos: valores conocidos necesarios para realizar los cálculos que producen las salidas Datos probabilísticos: cantidades cuyos valores son inciertos pero necesarios para obtener las salidas de la simulación. Los valores específicos de estos datos deben conocerse a través de una distribución de probabilidad.
5 Simulación de eventos discretos Todas las simulaciones de eventos discretos describen situaciones de colas. Cualquier modelo de eventos discretos está formado por una red de colas interrelacionadas. Los dos principales eventos son la llegada y la salida. Si el intervalo de tiempo entre dos eventos consecutivos es probabilístico surge la aleatoriedad. Números aleatorios Métodos para generar una muestra aleatoria a partir de una distribución de probabilidad f(t) a partir de números aleatorios uniformemente distribuidos en (0,1) Método de la inversa: si f es la función de densidad de la distribución se determina F(x)=P[y x] que es una función creciente con valores en [0,1]. Si R es un valor aleatorio obtenido de la distribución uniforme en (0,1), x=f -1 ( R ) es el valor deseado. Método de convolución: la idea fundamental es expresar la muestra deseada como la suma estadística de otras variables aleatorias fáciles de muestrear Método de aceptación-rechazo: se reemplaza la función de densidad f difícil de tratar analíticamente por una aproximación más simple h.
6 Números aleatorios Método de aceptación-rechazo: se reemplaza la función de densidad f difícil de tratar analíticamente por una aproximación más simple h. Función mayorante: g tal que f(x) g(x) para todo x Función aproximada: h tal que El método consiste: Obtener una muestra x=x1 a partir de h con el método de la inversa o de la convolución Obtener un número aleatorio R en (0,1) Si R f g ( x 1 ) ( x ) 1 ( x) ( x) ( y) se acepta x1 como muestra de f, si no, se rechaza x1 y se vuelve al paso 1. La eficiencia del método depende de lo bien que se ajuste g a f mientras se consiguen h analíticamente manejables. h = g g dy Generación de números aleatorios Para generar números aleatorios en un ordenador para su uso en simulación se utilizan operaciones aritméticas: números pseudoaleatorios. Método de congruencia mixta: dados los parámetros u 0 (semilla), b, c y m un número pseudoaleatorio R n se genera: u ( bu + c) mod( m), n = n 1 un Rn =, m n = 1,2, K n = 1,2, K Una selección adecuada de u 0, b, c y m puede hacer que los números pseudoaleatorios cumplan con las propiedades estadísticas de los números aleatorios
Generación de Números Pseudo-Aleatorios
Números Aleatorios Son un ingrediente básico en la simulación de sistemas Los paquetes de simulación generan números aleatorios para simular eventos de tiempo u otras variables aleatorias Una secuencia
Más detallesSIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3.
LECTURA 6.3 SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México CAPITULO 3 SIMULACIÓN 3.1 INTRODUCCIÓN Simulación es el desarrollo de un modelo lógico-matemático de
Más detallesSIMULACION. Formulación de modelos: solución obtenida de manera analítica
SIMULACION Formulación de modelos: solución obtenida de manera analítica Modelos analíticos: suposiciones simplificatorias, sus soluciones son inadecuadas para ponerlas en práctica. Simulación: Imitar
Más detallesPARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS
OBTENCIÓN DE MODELOS PARTE III OBTENCIÓN DE MODELOS 1. INFORMACIÓN SOBRE EL SISTEMA 1. EL PROPIO SISTEMA (OBSERVACIÓN, TEST) 2. CONOCIMIENTO TEÓRICO (LEYES DE LA NATURALEZA, EXPERTOS, LITERATURA, ETC.)
Más detallesPROGRAMA DE ESTUDIO. Horas de Práctica
PROGRAMA DE ESTUDIO Nombre de la asignatura: MODELADO Y SIMULACIÓN DE PROCESOS Clave: IQM12 Ciclo Formativo: Básico ( ) Profesional (X) Especializado ( ) Fecha de elaboración: 7 DE MARZO DE 2015 Horas
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detallesMatemáticas 2º BTO Aplicadas a las Ciencias Sociales
Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD
Más detallesSimulación y Modelos Estocásticos
y Modelos Estocásticos Héctor Allende O!"# $# %#&' ( ) *+,-+,,*,/ ) -++,,*,/ ) 0 1 %*++,,*,/ $2,/ 04 %! 2! 5,,#6)5 1 Conceptos básicos: fundamentos de modelos de simulación y del modelado de sistemas complejos,
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesModelos matemáticos de simulación
Modelos matemáticos de simulación Andrés Ramos Andres.Ramos@iit.icai.upcomillas.es Universidad Pontificia Comillas Begoña Vitoriano bvitoriano@mat.ucm.es Universidad Complutense de Madrid Índice Sistemas,
Más detallesSimulación. Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu
Simulación Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu Índice Sistemas, modelos y simulación Elementos de la simulación Software de simulación
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Financiación Francisco Pérez Hernández Departamento de Financiación e Investigación de la Universidad Autónoma de Madrid Objetivo del curso: Dentro del contexto de Economía de la
Más detallesSIMULACIÓN VERSUS OPTIMIZACIÓN:
SIMULACIÓN MONTE CARLO Procesos Químicos II La idea básica de la simulación es la construcción de un dispositivo experimental, o simulador, que actuará como (simulará) el sistema de interés en ciertos
Más detallesUNIVERSIDAD AUTÓNOMA DE TAMAULIPAS UNIDAD ACADÉMICA MULTIDISCIPLINARIA REYNOSA-RODHE SIMULACIÓN DE SISTEMAS
UNIDAD MÉTODOS DE MONTECARLO II 2.1 Definición Los métodos de Montecarlo abarcan una colección de técnicas que permiten obtener soluciones de problemas matemáticos o físicos por medio de pruebas aleatorias
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesCURSO DE INTRODUCCION
CURSO DE INTRODUCCION A CRYSTAL BALL Cnel R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-15-5468-3369 Fax: 054-11-4433-4202 Mail: mgm_consultas@mgmconsultores.com.ar http//www.mgmconsultores.com.ar
Más detallesUniversidad TecMilenio: Profesional IO04002 Investigación de Operaciones II
IO04002 Investigación de Operaciones II Tema #4 Generación de números pseudo aleatorios y Objetivo de aprendizaje del tema Al finalizar la sesión serás capaz de: Calcular números pseudo aleatorios. Determinar
Más detallesESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS
ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS DESCRIPCIÓN DEL TEMA: 10.1. Introducción. 10.2. Método de las transformaciones. 10.3. Método de inversión. 10.4. Método de aceptación-rechazo.
Más detallesProbabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.
Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma
Más detallesUnidad II: Números pseudoaleatorios
Unidad II: Números pseudoaleatorios 2.1 Métodos de generación de números Pseudoaleatorio Métodos mecánicos La generación de números aleatorios de forma totalmente aleatoria, es muy sencilla con alguno
Más detallesIntroducción a la Investigación Operativa. Enfoque Metodológico y los procesos decisorios
1. Introducción A partir de la primera revolución industrial, se produce el crecimiento de la complejidad organizacional Surge la tendencia al crecimiento de los subsistemas en forma autónoma, con sus
Más detallesIntegración por el método de Monte Carlo
Integración por el método de Monte Carlo Georgina Flesia FaMAF 7 de abril 2015 El método de Monte Carlo El método de Monte Carlo es un procedimiento general para estudiar procesos mediante la seleccion
Más detallesSimulación Monte Carlo
Simulación Monte Carlo Modelado estocástico Cuando se realiza un análisis estático a un proyecto, una serie de supuestos y variables producen un resultado de valor único. Mientras que un análisis estocástico
Más detallesSimulación Computacional. Tema 1: Generación de números aleatorios
Simulación Computacional Tema 1: Generación de números aleatorios Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle, Cali Typeset by FoilTEX 1 Contenido 1. Secuencias pseudoaleatorias
Más detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
Más detallesPrecio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.
Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes
Más detallesIntroducción al @RISK 5.7
Introducción al @RISK 5.7 Javier Ordóñez, PhD Director de Soluciones Personalizadas Riesgo» Riesgo: Un escenario en donde existe una posibilidad de desviación respecto de un resultado deseado o esperado»
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesPRESENTACIÓN DE LA TESIS 1 1. INTRODUCCIÓN 4 2. ESTRUCTURA Y METODOLOGÍA DE LA TESIS 8
Índice ÍNDICE PRESENTACIÓN DE LA TESIS 1 1. INTRODUCCIÓN 4 2. ESTRUCTURA Y METODOLOGÍA DE LA TESIS 8 PARTE I: INSTRUMENTOS MATEMÁTICOS DE LA TEORÍA DE LOS SUBCONJUNTOS BORROSOS 19 CAPÍTULO 1: ELEMENTOS
Más detallesUNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA RUBEN DARIO GUEVARA, FERNANDO ALONSO VELEZ
UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA 1. IDENTIFICACIÓN ASIGNATURA: SIMULACIÓN ESTADÍSTICA CODIGO: 070110 NIVEL: VI CREDITOS: 3 DESCRIPCIÓN: DOCENTES:
Más detallesPrácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz
1 Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz 2 ÍNDICE Introducción 3 Aplicaciones de la Simulación 3 La Metodología de la Simulación por Computadora 5 Sistemas, modelos
Más detallesCURSO DE ANALISIS DE RIESGOS EN INDUSTRIAS DE PETROLEO Y GAS (OIL & GAS)
CURSO DE ANALISIS DE RIESGOS EN INDUSTRIAS DE PETROLEO Y GAS (OIL & GAS) Cnel R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-15-5468-3369 Fax: 054-11-4433-4202 Mail: mgm_consultas@mgmconsultores.com.ar
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesOPTIMIZACIÓN EN MANTENIMIENTO
OPTIMIZACIÓN EN MANTENIMIENTO Entrenamiento en técnicas avanzadas para optimizar el remplazo de componentes e inspección de equipos Driven by knowledge info@apsoluti.es 2015 1 OPTIMIZACIÓN DE MANTENIMIENTO
Más detallesSIMULACION. Modelos de. Julio A. Sarmiento S. http://www.javeriana.edu.co/decisiones/julio sarmien@javeriana.edu.co
SIMULACION Modelos de http://www.javeriana.edu.co/decisiones/julio sarmien@javeriana.edu.co Julio A. Sarmiento S. Profesor - investigador Departamento de Administración Pontificia Universidad Javeriana
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detalles1. Descripción y objetivos
Pruebas 1 1. Descripción y objetivos Las pruebas son prácticas a realizar en diversos momentos de la vida del sistema de información para verificar: El correcto funcionamiento de los componentes del sistema.
Más detallesSEMESTRE: CREDITOS: 3 HORAS PRESENCIALES: 3 Horas de Acompañamiento: 1 TOTAL HORAS/ Semana: 4 CODIGO: 612007954 PROBLEMA
FACULTAD DE INGENIERÍA Programa de Ingeniería de Sistemas NUCLEO DE CONTENIDO: Básicas de Ingeniería NUCLEO DE CONOCIMIENTO: Investigación de Operaciones. NUCLEO TEMÀTICO: Modelación (Simulación) SEMESTRE:
Más detallesSimulación. Carrera: INE-0405 2-2-6. Participantes. Representante de las academias de ingeniería industrial de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Simulación Ingeniería Industrial INE-0405 2-2-6 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesFACULTAD DE INGENIERÍA Programa de Ingeniería de Sistemas Syllabus
INFORMACIÓN GENERAL Área de formación Núcleo de Contenido Núcleo de Conocimiento Núcleo Temático Profesional Especifica Ingeniería Aplicada Operativa Modelación Semestre IX Número de Créditos Académicos
Más detallesIntegración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D
Integración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D Miguel Ángel Otaduy 26 Abril 2010 Contexto Cálculo de la integral de radiancia reflejada en la ecuación de rendering Cálculo de la integral
Más detallesBUENAS PRÁCTICAS DE UNA ENCUESTA POR MUESTREO
BUENAS PRÁCTICAS DE UNA ENCUESTA POR MUESTREO Lima, marzo de 2011 BUENAS PRÁCTICAS DE UNA ENCUESTA POR MUESTREO I. INTRODUCCIÓN Los métodos de muestreo probabilístico, son aquellos que se basan en el principio
Más detallesCurso: Métodos de Monte Carlo. Unidad 1, Sesión 1: Introducción
Curso: Métodos de Monte Carlo. Unidad 1, Sesión 1: Introducción Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detallesSimulación Discreta Estocástica Tutor: Deivis Galván
Capitulo 1 Simulación Discreta Estocástica Tutor: Deivis Galván OBJETIVOS Al aprobar la asignatura el alumno será capaz de: Conocer, comprender y aplicar los principios del modelado de sistemas complejos
Más detallesESTADÍSTICA APLICADA Y ESTADÍSTICA PARA EL SECTOR PÚBLICO
Máster en ESTADÍSTICA APLICADA Y ESTADÍSTICA PARA EL SECTOR PÚBLICO Temario MÓDULO 0: HOMOGENEIZACIÓN Homogeneización en bases matemáticas 3,0 Cr. ECTS Espacios de Medida Algebra. Matrices y Determinantes
Más detalles"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios
"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios Miguel Alfonso Flores Sánchez 1, Fernando Sandoya Sanchez 2 Resumen En el presente artículo se
Más detallesANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO
ANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO Por: Pablo Lledó Master of Science en Evaluación de Proyectos (University of York) Project Management Professional (PMP) Profesor de Project Management y Evaluación
Más detallesDESCRIPCIÓN ESPECÍFICA
DESCRIPCIÓN ESPECÍFICA NÚCLEO: COMERCIO Y SERVICIO SUBSECTOR: PRODUCCION Y SALUD OCUPACIONAL Nombre del Módulo: Análisis estadístico de datos. total: 45 HORAS. Objetivo General: Analizar la conformidad
Más detallesPROYECTO DE INVESTIGACIÓN SIMULACIÓN PARA LA VALUACIÓN
PROYECTO DE INVESTIGACIÓN SIMULACIÓN PARA LA VALUACIÓN INTRODUCCIÓN El objetivo del presente trabajo es estudiar los modelos y herramientas existentes de simulación que se utilizan para la valuación en
Más detallesSimulación ISC. Profr. Pedro Pablo Mayorga
Simulación ISC Profr. Pedro Pablo Mayorga Ventajas 1. Es un proceso relativamente eficiente y flexible. 2. Puede ser usada para analizar y sintetizar una compleja y extensa situación real, pero no puede
Más detallesDetergente Lavad.1 Lavad.2 Lavad.3 Media A 45 43 51 46.3 B 47 44 52 47.6 C 50 49 57 52 D 42 37 49 42.6. Media 46 43.2 52.2 47.16
3. DISEÑO EN BLOQUES ALEATORIZADOS En muchos experimentos además de que interesa investigar la influencia de un factor controlado sobre la variable de respuesta, como en la sección anterior, existe una
Más detallesGLOSARIO DE TÉRMINOS
GLOSARIO DE TÉRMINOS A Alcance de la auditoría. El marco o límite de la auditoría y las materias, temas, segmentos o actividades que son objeto de la misma. Auditores externos. Profesionales facultados
Más detallesSÍLABO. VIII Ciclo 3 Teoría y 2 Práctica
SÍLABO I. DATOS GENERALES 1.1. Nombre de la Asignatura 1.2. Carácter 1.3. Carrera Profesional 1.4. Código 1.5. Semestre Académico 1.6. Ciclo Académico 1.7. Horas de Clase 1.8. Créditos 1.9. Pre Requisito
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesDiseño de un estudio de investigación de mercados
Diseño de un estudio de investigación de mercados En cualquier diseño de un proyecto de investigación de mercados, es necesario especificar varios elementos como las fuentes a utilizar, la metodología,
Más detallesAnálisis e Interpretación de Datos Unidad XI. Prof. Yanilda Rodríguez MSN Prof. Madeline Fonseca MSN Prof. Reina del C.Rivera MSN
Análisis e Interpretación de Datos Unidad XI Prof. Yanilda Rodríguez MSN Prof. Madeline Fonseca MSN Prof. Reina del C.Rivera MSN Competencias de Aprendizaje Al finalizar la actividad los estudiantes serán
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detalles5. DISTRIBUCIONES DE PROBABILIDADES
5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable
Más detallesCurso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos
Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detallesMuestreo estadístico. Relación 2 Curso 2007-2008
Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los
Más detallesPalabras clave: Simulación. Modelos de Inventario. Modelado Visual Interactivo. Didáctica. Educación.
Software de simulación de un modelo de inventario López, María Victoria Departamento de Informática. Facultad de Ciencias Exactas y Naturales y Agrimensura Universidad Nacional del Nordeste. 9 de Julio
Más detallesTEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística
TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística 1 TAMAÑO DEL EFECTO 2 TAMAÑO DEL EFECTO vel tamaño del efecto es el nombre dado a una familia de índices que miden la magnitud
Más detallesDOBLE GRADO EN ECONOMÍA MATEMÁTICAS Y ESTADÍSTICA
DOBLE GRADO EN ECONOMÍA MATEMÁTICAS Y ESTADÍSTICA Facultad de Ciencias Económicas y Empresariales Facultad de Ciencias Matemáticas Introducción El doble grado en Economía - Matemáticas y Estadística permite
Más detallesLa Tecnología líder en Simulación
La Tecnología líder en Simulación El software de simulación Arena, es un "seguro de vida" para las empresa: le ayuda a predecir el impacto en las organizaciones de nuevas ideas, estrategias y políticas
Más detallesUnidad II: Números pseudoalealeatorios
1 Unidad II: Números pseudoalealeatorios Generación de números aleatorios Un Número Aleatorio se define como un número al azar comprendido entre cero y uno. Su característica principal es que puede suceder
Más detallesSimulación. Carrera: SCD-1022 SATCA 1
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Simulación Ingeniería en Sistemas Computacionales Clave de la asignatura: SATCA 1 SCD-1022 2 3 5 2.- PRESENTACIÓN Caracterización de la asignatura.
Más detallesLA MEDIDA Y SUS ERRORES
LA MEDIDA Y SUS ERRORES Magnitud, unidad y medida. Magnitud es todo aquello que se puede medir y que se puede representar por un número. Para obtener el número que representa a la magnitud debemos escoger
Más detallesCAPITULO 2 DISEÑO DE GRAFICAS ESTADISTICO-ECONOMICAS DE CONTROL DE CALIDAD.
CAPITULO 2 DISEÑO DE GRAFICAS ESTADISTICO-ECONOMICAS DE CONTROL DE CALIDAD. En este capítulo se presenta la definición de diseño estadístico, económico y económico-estadístico para gráficas de control,
Más detallesIDENTIFICACIÓN DE SISTEMAS ASPECTOS PRÁCTICOS EN IDENTIFICACIÓN
IDENTIFICACIÓN DE SISTEMAS ASPECTOS PRÁCTICOS EN IDENTIFICACIÓN Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 CONSIDERACIONES PRÁCTICAS
Más detallesUNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO Curso 2012-2013
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO Curso 2012-2013 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES
Más detallesSistemas, modelos y simulación
Sistemas, modelos y simulación Introducción I Un SISTEMA es una colección de entidades (seres o máquinas) que actúan y se relacionan hacia un fin lógico. Ejemplo: Un banco con: Cajeros [comerciales] [cajas
Más detallesSoftware de Simulación aplicado a entornos de e-learning
Software de Simulación aplicado a entornos de e-learning 2009 Laboratorio de Investigación de Software Universidad Tecnológica Nacional Facultad Regional Córdoba Titulo del Proyecto Software de Simulación
Más detallesNúmeros aleatorios. Contenidos
Números aleatorios. Contenidos 1. Descripción estadística de datos. 2. Generación de números aleatorios Números aleatorios con distribución uniforme. Números aleatorios con otras distribuciones. Método
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detallesI.E.S.MEDITERRÁNEO CURSO 2015 2016 DPTO DE MATEMÁTICAS PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O.
PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O. Este programa está destinado a los alumnos que han promocionado a cursos superiores sin haber superado esta materia.
Más detallesElementos de Estadística stica Financiera para Análisis de Riesgo
TERCER ENCUENTRO TÉCNICO SOBRE LA ESTRUCTURACIÓN DE PROYECTOS DE ASOCIACIÓN PÚBLICO-PRIVADA Elementos de Estadística stica Financiera para Análisis de Riesgo Heinz G. Roque Loyola BID/PIAPPEM 20, 21 y
Más detallescapitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación
capitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación Sistemática de Layout, SLP por sus siglas en inglés. Se hará uso de la simulación para comparar el
Más detallesParte I. Fundamentos de Administración de Empresas. La empresa. El empresario y la función directiva.
DIRECCIÓN DE EMPRESAS Parte I. Fundamentos de Administración de Empresas. La empresa. El empresario y la función directiva. Parte II. Análisis del suprasistema ambiental y del subsistema de administración.
Más detallesINTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA
INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA Eva Medina Moral (Febrero 2002) EXPRESIÓN DEL MODELO BASICO DE REGRESIÓN LINEAL La expresión formal del modelo
Más detallesTema 1: Introducción a la Estadística
Tema 1: Introducción a la Estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 1: Introducción a la Estadística Curso 2009-2010
Más detallesRIESGO Y PROBABILIDAD
RIESGO Y PROBABILIDAD Debido a la naturaleza del proyecto, se pueden presentar riesgos, por ejemplo actividades complejas que no se han realizado antes, nuevas tecnologías, actividades de investigación,
Más detallesCAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
Más detallesDIRECTRICES Y ORIENTACIONES GENERALES PARA LAS PRUEBAS DE ACCESO A LA UNIVERSIDAD
Curso Asignatura 2009/2010 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1º Comentarios acerca del programa del segundo curso del Bachillerato, en relación con la Prueba de Acceso a la Universidad INTRODUCCIÓN
Más detallesSIMULACIÓN MCMC. Dr. Holger Capa Santos
SIMULACIÓN MCMC Dr. Holger Capa Santos Septiembre, 2009 CONTENIDO Integración Montecarlo Problema con la Integración Montecarlo Muestreo de Importancia Algoritmos de Metropolis y Metropolis-Hastings Muestreador
Más detallesProgramación en R para Estadística. Simulación
Programación en R para Estadística 1 de 2 Programación en R para Estadística Simulación J. Elías Rodríguez M. Facultad de Matemáticas Universidad de Guanajuato XXIII Foro Nacional de Estadística 11 de
Más detallesMUESTREO TIPOS DE MUESTREO
MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de
Más detallesIndicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica.
Las variables de un estudio. La variable es determinada característica o propiedad del objeto de estudio, a la cual se observa y/o cuantifica en la investigación y que puede variar de un elemento a otro
Más detallesTratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA
Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA NOTA: en toda esta práctica no se pueden utilizar bucles, para que los tiempos de ejecución se reduzcan. Esto se puede hacer
Más detallesMetodología de la Investigación. Dr. Cristian Rusu cristian.rusu@ucv.cl
Metodología de la Investigación Dr. Cristian Rusu cristian.rusu@ucv.cl 6. Diseños de investigación 6.1. Diseños experimentales 6.1.1. Diseños preexperimentales 6.1.2. Diseños experimentales verdaderos
Más detalles1. Proyecto de intervención
1. Proyecto de intervención 3.1. Enunciado y descripción del proyecto de Intervención. El trabajo de intervención realizado en Servi Industrias del Noroeste se fundamenta en varios conceptos centrales
Más detallesUN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS
UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS Wilson Mayorga M. Director de Cámara de Vida y Personas y Actuaría Con base en modelos de regresión que explican la evolución de las
Más detallesSIMULACIÓN. Texto Base de Teoría. Alfonso Urquía Moraleda
SIMULACIÓN Texto Base de Teoría Alfonso Urquía Moraleda Departamento de Informática y Automática Escuela Técnica Superior de Ingeniería Informática, UNED Juan del Rosal 16, 28040 Madrid, España E-mail:
Más detallesElementos requeridos para crearlos (ejemplo: el compilador)
Generalidades A lo largo del ciclo de vida del proceso de software, los productos de software evolucionan. Desde la concepción del producto y la captura de requisitos inicial hasta la puesta en producción
Más detallesCurso de Estadística Básica
Curso de SESION 1 INTRODUCCIÓN A LA ESTADÍSTICA M. en C. Objetivo Crear una imagen inicial del campo de la estadística así como introducir y comprender los términos básicos aplicados en su estudio. Agenda
Más detallesEl concepto de integral con aplicaciones sencillas
El concepto de integral con aplicaciones sencillas Eliseo Martínez Marzo del 24 Abstract Este artículo trata de ejemplos sencillos del concepto de integral con aplicaciones a la Física, la Teoría de la
Más detallesPROGRAMA MODELO POR SEMESTRES PARA LA CARRERA DE INFORMÁTICA MATEMÁTICA PRIMER SEMESTRE
PROGRAMA MODELO POR SEMESTRES PARA LA CARRERA DE INFORMÁTICA MATEMÁTICA Este es un ejemplo cómo cursar progresivamente el núcleo formación fundamental. En la misma dirección es un ejemplo sobre el número
Más detallesUniversidad del CEMA Master en Finanzas 2006
Universidad del CEMA Master en Finanzas 2006 La Simulación como una herramienta para el manejo de la incertidumbre Fabián Fiorito ffiorito@invertironline.com Tel.: 4000-1400 Hoy en día la simulación es
Más detallesNORMA INTERNACIONAL DE AUDITORÍA 530 MUESTREO DE AUDITORÍA
NORMA INTERNACIONAL DE AUDITORÍA 530 MUESTREO DE AUDITORÍA (NIA-ES 530) (adaptada para su aplicación en España mediante Resolución del Instituto de Contabilidad y Auditoría de Cuentas, de 15 de octubre
Más detallesWorkshop de Investigadores en Ciencias de la Computación WICC 2002
Aplicación del Método de Montecarlo para el cálculo de integrales definidas López, María Victoria y Mariño, Sonia Itatí Departamento de Informática Facultad de Ciencias Exactas y Naturales y Agrimensura
Más detalles